Data punct gov punct ro

Aproape de fiecare dată când mă duc la paginile web ale ziarului The Guardian arunc o privire și la secțiunea numită DataStore (care are și un motto: “Facts are sacred”). E de-a dreptul periculos să poposești aici, mai ales dacă se apropie un termen de predare, pentru că riști să petreci câteva ore minunându-te unde a ajuns ceea ce se cheamă “data journalism”. O mulțime de seturi de date, o mulțime de instrumente de vizualizare și o mulțime de comentarii pe marginea acestor date. Iar ceea ce este și mai atrăgător, toate aceste seturi de date pot fi descărcate fără nici o restricție, în diverse formate. Mai mult chiar, editorii chiar încurajează publicul să le descarce, să le analizeze cu propriile lor instrumente, să le combine cu alte seturi, să colaboreze cu alții și, astfel, să ajungă la o înțelegere mai bună a faptelor pe care aceste date (de cele mai multe ori în stare brută – “raw data”) le relevă. Ideea este că astăzi fiecare dintre noi poate fi, într-o oarecare măsură, jurnalist de date.

Totul este minunat, până când constați că o bună parte dintre datele cu care lucrează sunt furnizate de administrație sau organisme publice și sunt accesibile pe web la “data.gov.uk”. Am vrut să mă conving singur că e așa de simplu, așa că am intrat și am căutat “census” (recensământ). În mai puțin de un minut am putut să descarc orice fel de date (în format XLS sau CSV). Pe varianta americană, pe lângă aceleași facilități de descărcare, am beneficiat și de niște instrumente de vizualizare, așa că în 30 de secunde am generat o frumoasă hartă pe baza anumitor valori din datele brute. Am prins puțin curaj și am introdus în bara browserului “data.gov.ro”, dar mi s-a răspuns cu un mesaj de eroare. Am găsit în schimb “data.gov.md”! Moldovenii au încă destul de puține date, care pot fi descărcate doar în format Excel, dar lucrează cu platforma Zoho, care permite exporturi într-o mulțime de formate.

Totuși, vreau date de recensământ din România! Am răscolit paginile INS, dar până la urmă tot cu Google am găsit RecensamantRomania.ro, cu rezultate. Dar toate în format PDF (“cimitirul datelor”), care nu-mi folosesc la nimic. Nu le pot analiza, nu le pot folosi în aplicații, nu pot să le compar cu date mai vechi. M-am întors la INS ca să văd ce s-a mai întâmplat cu nomenclatoarele de care toată lumea are nevoie (SIRUTA, CAEN etc.). În fine, le-am găsit și am constatat că au și pagină de descărcare. Fișierele erau furnizate ca arhivă ZIP, așa că am descărcat la nimereală CAEN, am deschis arhiva și am găsit un fișier în format Word. Am încercat SIRUTA, iar aici am găsit în arhivă tot felul de documente Word, DBF și mdb (adică FoxPro și Access). De fapt n-am fost surprins, pentru că în urmă cu un an chiar am avut nevoie de aceste nomenclatoare și am muncit o săptămână ca să le extrag și să le convertesc în XML și CSV. Apoi le-am oferit public, așa că INS le putea obține pe gratis. Și tot pe gratis administrația românească ar putea obține o variantă open source a portalului american Data.gov, dar se pare că nu există niciun interes. Nici măcar pentru prețul zero, din care nu se pot socoti procente.

În aceste condiții, “data journalism” este o meserie grea. Spre deosebire de 2010, când am publicat aici articolul “Jurnalism cu cifre”, acum există o pleiadă de instrumente uluitoare care să faciliteze colectarea, agregarea, vizualizarea și diseminarea datelor primare. Google Fusion Table are posibilități extraordinare, dar este poate prea complex, însă Tableau, OutWit și încă vreo câteva sunt unelte ideale pentru oameni obișnuiți, care nu vor să exploreze interfețe de programare și să scrie cod. M-am întors în cele din urmă la The Guardian, unde am urmărit cu oarecare interes grafice descriind evoluția cheltuielilor membrilor Parlamentului (datele primare sunt și ele disponibile), am explorat o hartă a zonelor defavorizate din Anglia realizată prin combinarea cu Google Fusion a mai multor seturi de date guvernamentale, apoi m-am oprit la analiza statistică a datelor de la Jocurile Olimpice.

Jurnaliștii s-au gândit că numărul medaliilor nu reprezintă situația sportului într-o țară, așa că au combinat datele cu populația, cu PIB-ul, cu numărul sportivilor participanți și au ponderat datele. S-a vădit că americanii nu sunt o mare națiune sportivă, iar România stă mai bine la rezultatul efectiv decât la mediile ponderate. Am descărcat datele și le voi combina cu rezultatele testelor PISA, ca să aflu care este influența educației în rezultatele sportive. În cele administrative știu deja, fără date primare.